新知一下
海量新知
6 2 9 3 7 2 0

ACS Nano: 人工神经网络识别和表征二维材料和范德华异质结

学术之友 | 致力于分享和传播理论计算教程 2022/01/24 08:19

新知达人, ACS Nano: 人工神经网络识别和表征二维材料和范德华异质结

第一作者:Li Zhu

通讯作者:郝玉峰

通讯单位:南京大学

二维(2D)材料及其面内和面外(即范德华,vdW)异质结是下一代电子和光电器件的有希望的构件。由于器件的性能在很大程度上取决于材料的结晶质量和异质结的界面特性,因此,为了促进器件的集成,最好能有一种快速和非破坏性的方法来区分和描述各种二维构件。最近,南京大学郝玉峰课题组在国际知名期刊 “ACS Nano" 发表题为“ Artificial Neuron Networks Enabled Identification and Characterizations of 2D Materials and van der Waals Heterostructures ”的研究论文。在这项工作中,基于二维材料光学显微镜图像的颜色空间信息,开发了一种基于人工神经网络的深度学习算法,并应用于识别八种二维材料,准确率远高于90%,均值为96%。更重要的是,这种数据驱动的方法实现了两个有趣的功能。(1) 解决化学气相沉积(CVD)生长的面内和vdW异质结构的界面分布;(2)识别CVD生长的二维半导体的缺陷浓度。这两个功能可以用来快速识别样品质量并在未来优化合成参数。他们的工作提高了原子薄材料的表征效率,因此对其研究和应用很有价值。

图1:(a) 金和铜颗粒的可见光反射光谱。(b) WS2和MoS2单层的可见光反射光谱。(c) ANN的训练和预测过程的流程图。(d) 我们的ANN模型的结构,包括六个RGB和HSV值的输入神经元,四个隐藏层和输出层。

新知达人, ACS Nano: 人工神经网络识别和表征二维材料和范德华异质结

图2:ANN对二维材料的识别性能。(a) 不同二维材料薄片的OM图像。(b) 相应薄片的标记结果(材料类型和层数)。(c,d) 八种二维材料的RGB和HSV簇分布。(e) 测试结果的像素级混淆矩阵。

新知达人, ACS Nano: 人工神经网络识别和表征二维材料和范德华异质结

图3:通过拉曼光谱和ANN对WS2/MoS2异质结进行表征。(a-c) 异质结的OM图像。(d-f) (a-c)中异质结的拉曼图。(g-i) 通过ANN对(a-c)中异质结的预测结果。(j,k) (d-f)中标记的不同位置的拉曼光谱。

新知达人, ACS Nano: 人工神经网络识别和表征二维材料和范德华异质结

图4:CVD-MoS2中缺陷浓度的鉴定。(a) 通过机械剥离和CVD合成的MoS2样品的RGB值。(b) 不同S蒸发温度下MoS2的生长过程示意图。(c) 具有不同Vs浓度的CVD-MoS2的RGB值。红线是回归模型图,描述了Vs浓度与RGB的拟合方程式。

新知达人, ACS Nano: 人工神经网络识别和表征二维材料和范德华异质结

更多“算法”相关内容

更多“算法”相关内容

新知精选

更多新知精选